基于均值滤波的内核极限学习机的高光谱监督分类

摘要—极限学习机(ELM)是单隐藏层神经网络,并且比传统的神经网络具有更快的学习速度。 然而,内核ELM(KELM)由于其鲁棒性而越来越受到高光谱图像(HSI)分类的关注。 KELM中广泛使用的RBF内核在高光谱图像(HSI)分类中取得了令人满意的分类性能,但是并未考虑高光谱图像的基本数据结构。 在本文中,我们通过将平均滤波(MF)内核合并到KELM模型中,提出了一种新颖的光谱空间KELM方法,该方法可以正确地计算内核空间中空间相邻像素的平均值。 在真实的高光谱数据集上的实验结果表明,该方法在HSI监督分类中的计算效率和分类精度方面均优于其他基于核的KELM方法。